McQueen项目曝光,苹果欲打造自己的云计算

Apple启动Project McQueen,旨在减少对Amazon AWS和Microsoft Azure的依赖,建立自家数据中心以支持云服务。此举源于对AWS上传速度不满及成本考虑。Apple计划在三年内实现自负盈亏,跟随Facebook、Google等公司自建数据中心以优化用户体验和降低成本。
摘要由CSDN通过智能技术生成

图片描述
日前,Apple的Project McQueen项目曝光,Apple启用该项目是为了更加依赖于自己数据中心的基础设施和在云服务方面减少对Amazon AWS 以及Microsoft Azure 的依赖。知情人士透露,Apple早在几个月前就已经确立了该项目。

Apple对 AWS 无法支持快速将照片和视频上传到用户 iOS 设备这一点非常不满。 Apple在中国大陆以及香港都已经购买土地以建立数据中心。有消息称目前iTunes 几乎都是外包给其他公司的云服务,主要是Microsoft的Azure。也就是确实正如之前报道的,Apple已经与Google签订了协议使用他们的云服务。

Project McQueen项目正式拉开帷幕是在Microsoft员工和Apple员工的一次对话之后。该消息人士称:Azure无法满足Apple未来增长的工作负荷。Microsoft员工告诉Apple的员工,这意味着Apple将不得不支付更多金钱,来帮助Microsoft填补因扩大Azure的数据中心基础设施而产生的费用。

Apple的高管认为,建立自主基础设施足以满足自己产品对云计算和存储的需求,并将在三年内自负盈亏。

执行该计划意味着 Apple将与Dropbox 以及Facebook的Instagram走同一条路子。虽然公有云基础设施使得许多初创企业的应用程序得以启动并运行,但是大型公司越来越多的采用自己的云基础设施,一直使用公有云基础设施是行不通的。Dropbox和Instagram在AWS上存储大量的照片,而S3的每月存储费用越来越来高,因为这些应用的用户越来越多,使用量也越来越多。这种类型的成本可能让Dropbox承担更多的风险成本。因此,他们选择建立自己的数据中心。同样的,Facebook也将Instagram从AWS迁移到自己的数据中心。

此前Apple也曾为iCloud建设数据中心,当然可能还有更多的Apple数据中心在世界各地落地。这就意味着Apple需要更少的时间将内容提供给用户。Facebook、Google、LinkedIn、Twitter以及Yahoo都在运行着自己的基础设施,以支持数以百万计的用户。如今Apple拥有数以百万计基于网络的用户,也要建立自己的基础设施。

Apple就不用担心云服务供应商为了追求利润而抬高价格,导致价格定的比成本高很多。 Apple还可以根据需求在最好的基础设上运行软件,成本将是最低的,最重要的是,这将改善用户体验。

不同于Amazon和Microsoft,Apple没有给应用开发者提供一整套的云基础设施和服务来支持他们的应用。Project McQueen计划让 Apple的竞争者不产生收入同时给开发者提供完整套件。

当然Project McQueen仅仅是一个计划,仅此而已。Apple也有可能将此计划搁置,并保持其当前运行的应用程序配置。或者 Apple可以采取别的方法,如收购一个云基础设施供应商。


原文标题:Inside Project McQueen, Apple’s plan to build its own cloud

  • 0
    点赞
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
1 目标检测的定义 目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置,是计算机视觉领域的核心问题之一。由于各类物体有不同的外观、形状和姿态,加上成像时光照、遮挡等因素的干扰,目标检测一直是计算机视觉领域最具有挑战性的问题。 目标检测任务可分为两个关键的子任务,目标定位和目标分类。首先检测图像中目标的位置(目标定位),然后给出每个目标的具体类别(目标分类)。输出结果是一个边界框(称为Bounding-box,一般形式为(x1,y1,x2,y2),表示框的左上角坐标和右下角坐标),一个置信度分数(Confidence Score),表示边界框中是否包含检测对象的概率和各个类别的概率(首先得到类别概率,经过Softmax可得到类别标签)。 1.1 Two stage方法 目前主流的基于深度学习的目标检测算法主要分为两类:Two stage和One stage。Two stage方法将目标检测过程分为两个阶段。第一个阶段是 Region Proposal 生成阶段,主要用于生成潜在的目标候选框(Bounding-box proposals)。这个阶段通常使用卷积神经网络(CNN)从输入图像中提取特征,然后通过一些技巧(如选择性搜索)来生成候选框。第二个阶段是分类和位置精修阶段,将第一个阶段生成的候选框输入到另一个 CNN 中进行分类,并根据分类结果对候选框的位置进行微调。Two stage 方法的优点是准确度较高,缺点是速度相对较慢。 常见Tow stage目标检测算法有:R-CNN系列、SPPNet等。 1.2 One stage方法 One stage方法直接利用模型提取特征值,并利用这些特征值进行目标的分类和定位,不需要生成Region Proposal。这种方法的优点是速度快,因为省略了Region Proposal生成的过程。One stage方法的缺点是准确度相对较低,因为它没有对潜在的目标进行预先筛选。 常见的One stage目标检测算法有:YOLO系列、SSD系列和RetinaNet等。 2 常见名词解释 2.1 NMS(Non-Maximum Suppression) 目标检测模型一般会给出目标的多个预测边界框,对成百上千的预测边界框都进行调整肯定是不可行的,需要对这些结果先进行一个大体的挑选。NMS称为非极大值抑制,作用是从众多预测边界框中挑选出最具代表性的结果,这样可以加快算法效率,其主要流程如下: 设定一个置信度分数阈值,将置信度分数小于阈值的直接过滤掉 将剩下框的置信度分数从大到小排序,选中值最大的框 遍历其余的框,如果和当前框的重叠面积(IOU)大于设定的阈值(一般为0.7),就将框删除(超过设定阈值,认为两个框的里面的物体属于同一个类别) 从未处理的框中继续选一个置信度分数最大的,重复上述过程,直至所有框处理完毕 2.2 IoU(Intersection over Union) 定义了两个边界框的重叠度,当预测边界框和真实边界框差异很小时,或重叠度很大时,表示模型产生的预测边界框很准确。边界框A、B的IOU计算公式为: 2.3 mAP(mean Average Precision) mAP即均值平均精度,是评估目标检测模型效果的最重要指标,这个值介于0到1之间,且越大越好。mAP是AP(Average Precision)的平均值,那么首先需要了解AP的概念。想要了解AP的概念,还要首先了解目标检测中Precision和Recall的概念。 首先我们设置置信度阈值(Confidence Threshold)和IoU阈值(一般设置为0.5,也会衡量0.75以及0.9的mAP值): 当一个预测边界框被认为是True Positive(TP)时,需要同时满足下面三个条件: Confidence Score > Confidence Threshold 预测类别匹配真实值(Ground truth)的类别 预测边界框的IoU大于设定的IoU阈值 不满足条件2或条件3,则认为是False Positive(FP)。当对应同一个真值有多个预测结果时,只有最高置信度分数的预测结果被认为是True Positive,其余被认为是False Positive。 Precision和Recall的概念如下图所示: Precision表示TP与预测边界框数量的比值 Recall表示TP与真实边界框数量的比值 改变不同的置信度阈值,可以获得多组Precision和Recall,Recall放X轴,Precision放Y轴,可以画出一个Precision-Recall曲线,简称P-R
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值